1.一种基于多源遥感影像融合的滑坡识别方法,其特征在于,该基于多源遥感影像融合的滑坡识别方法包括以下步骤:S1、选取多源遥感影像,构建矢量化标签,并通过矢量化标签获取二进制标签数据;
S2、利用滑动窗口裁剪多源遥感影像与二进制标签数据,并运用计算机视觉增强技术处理多源遥感影像与二进制标签数据,得到数据集;
S3、基于MiT架构,构建滑坡智能识别模型,根据得到的数据集对滑坡智能识别模型进行训练;
S4、基于训练后的滑坡智能识别模型,利用忽略边缘预测方法实施预测,并根据预测结果获取多源遥感影像识别结果;
S5、根据多源遥感影像识别结果定义地理空间坐标,并执行二进制标签矢量化,得到山体滑坡矢量标签;
所述基于MiT架构,构建滑坡智能识别模型,根据得到的数据集对滑坡智能识别模型进行训练包括以下步骤:S31、基于MiT架构,使用全局归一化方法构建GRN归一化模型;
S32、基于构建的GRN归一化模型,将MiT-B4架构作为骨干网络,构建LDGFormer算法;
S33、根据构建的LDGFormer算法,使用Cross-Entropy损失函数和adamW优化器,构建滑坡智能识别模型;
S34、基于得到的数据集,对滑坡智能识别模型进行训练;
所述全局归一化方法的计算公式为:,
,
,
式中,表示为归一化特征;
表示为第个矩阵的归一化特征;
表示为矩阵集;
表示为一维空间中的矩阵集;
表示为三维空间中的矩阵集;
表示为附属于矩阵集的独立矩阵;
表示为矩阵的高;
表示为矩阵的宽;
表示为矩阵的长;
表示为第个通道的特征;
表示为第个矩阵的归一化特征;
表示为正则化的第个通道;
表示为矩阵集中第个矩阵;
表示为矩阵集中第个矩阵;
表示为矩阵集中第个矩阵;
表示为最终输出的矩阵;
表示为防止除0的参数;
表示为防止除0的参数;
所述基于构建的GRN归一化模型,将MiT-B4架构作为骨干网络,构建LDGFormer算法包括以下步骤:S321、通过MiT-B4架构将多源遥感影像划分为若干图像块;
S322、使用MiT-B4架构处理若干图像块,获取MiT-B4架构与图像块之间的信息交互;
S323、将若干图像块之间进行信息交换,并提取图像特征;
S324、将图像特征映射到类别分布概率上,进行分类预测;
S325、结合构建的GRN归一化模型,构建LDGFormer算法;
所述Cross-Entropy损失函数的公式为:,
式中,表示损失函数;
表示样本数量;
表示从属于样本的真实标签值;
表示从属于样本的预测标签值;
表示自然数。
2.根据权利要求1所述的一种基于多源遥感影像融合的滑坡识别方法,其特征在于,所述选取多源遥感影像,构建矢量化标签,并通过矢量化标签获取二进制标签数据包括以下步骤:S11、选取多源遥感影像,并对多源遥感影像中的山体滑坡区域进行矢量化标注,构建矢量化标签;
S12、通过ArcGIS软件解译多源遥感影像,并结合矢量化标签,获取矢量标签数据;
S13、使用GDAL库将获取的矢量标签数据转换为二进制标签数据。
3.根据权利要求1所述的一种基于多源遥感影像融合的滑坡识别方法,其特征在于,所述利用滑动窗口裁剪多源遥感影像与二进制标签数据,并运用计算机视觉增强技术处理多源遥感影像与二进制标签数据,得到数据集包括以下步骤:S21、基于GDAL库,利用滑动窗口将多源遥感影像与二进制标签数据裁剪为遥感瓦片;
S22、将裁剪后的遥感瓦片进行几何处理,得到几何数据集;
S23、通过Open-CV库对得到的几何数据集进行增强处理,得到数据集。
4.根据权利要求3所述的一种基于多源遥感影像融合的滑坡识别方法,其特征在于,所述多源遥感影像对应的遥感瓦片尺寸为1024*1024*3;
所述二进制标签数据对应的遥感瓦片尺寸为1024*1024*1。
5.根据权利要求1所述的一种基于多源遥感影像融合的滑坡识别方法,其特征在于,所述基于训练后的滑坡智能识别模型,利用忽略边缘预测方法实施预测,并根据预测结果获取多源遥感影像识别结果包括以下步骤:S41、使用GDAL库建立忽略边缘预测方法;
S42、裁剪多源遥感影像,并利用忽略边缘预测方法进行预测;
S43、基于预测结果,采用形态学滤波算法对多源遥感影像进行滤波处理;
S44、结合Open-CV库中的空洞填补算法,对滤波处理后的多源遥感影像进行修补,获取多源遥感影像的识别结果。
6.根据权利要求1所述的一种基于多源遥感影像融合的滑坡识别方法,其特征在于,所述根据多源遥感影像识别结果定义地理空间坐标,并执行二进制标签矢量化,得到山体滑坡矢量标签包括以下步骤:S51、使用GDAL库对多源遥感影像的识别结果与多源遥感影像进行地理空间映射,定义多源遥感影像的空间坐标系;
S52、将定义后的多源遥感影像进行矢量化转换,删除非滑坡的背景矢量值,获取最终的滑坡识别标签。